Oct, 2023

解码人类活动：分析可穿戴加速度计与陀螺仪数据进行活动识别

PDF
TL;DR基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法（FusionActNet）能够有效地对不同的人类活动进行分类识别，并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。
movementclassificationresidual networkfusionactnetactivity recognition
发现论文，激发创造
  • 基于可穿戴传感器数据的人类活动识别：现有技术的标准化

    本研究通过对不同样本生成过程和验证协议进行分析，实施和评估了多种高性能方法，从手工制作的方法到卷积神经网络等各种方法，发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别，在此之中，识别准确度显着下降，该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。

    Jun, 2018

  • 卷积神经网络实现人类活动识别

    本文提出了使用卷积神经网络 (CNNs) 对人类活动进行分类的方法，该方法利用惯性传感器测量身体的加速度和角速度，并使用不同的神经网络结构适应运动信号，探究单个、双个和三个传感器系统的分类潜力，实验结果表明该方法具有很好的分类性能。

    Jun, 2019

  • 三轴加速度计深度活动识别模型

    本文研究怎样利用加速度计和深度学习方法实现人类活动识别效果更准确，并且避免手工特征设计的问题，该方法可利用海量未标记数据进行特征提取。同时，本文还提出了基于深度学习和隐马尔可夫模型（DL-HMM）的分层识别方法，此方法将深度学习模型的分层表征与 HMM 的时序建模相结合，实现了对人类活动的精准识别，有效改进了以往算法的性能。

    Nov, 2015

  • 口袋里的一天：来自智能手机加速度计的复杂活动识别

    本研究使用手机加速度计数据对 8 种复杂活动进行基于深度学习的二分类，取得了 AUROC 得分高达 0.76 的良好结果，表明在后疫情时代使用手机加速度计数据对复杂活动进行识别的可行性。

    Jan, 2023

  • 利用穿戴设备进行人类活动识别的深度卷积和循环模型

    本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。

    Apr, 2016

  • 利用可穿戴传感器数据进行无监督嵌入式学习的人体活动识别

    该论文介绍了一种无监督方法，通过基于人类活动的特性将人类活动投射到一个嵌入空间中，在该空间中相似的活动会紧密地聚集在一起，从而帮助聚类算法实现对人类活动的识别和分类，相较于直接应用于原始数据集的非监督技术，我们的方法在识别和分类潜在人类活动方面取得了更好的性能。

    Jul, 2023

  • 智能手机上的人体活动识别

    我们创建了一个安卓应用程序，能够实时识别人体活动并计算所燃烧的卡路里，使用了标记的三轴加速度读数和机器学习算法，以及一部分特征来提供最大准确度和最小模型构建时间。

    Apr, 2024

  • 通过自视角摄像头和加速度传感器数据实现人类自主活动分类

    本研究提出了一种基于惯性测量单元数据和自我视角摄像头提取的活动分类方法，通过胶囊网络和卷积长短时记忆框架提取特征和捕获行为的时间因素，并且使用基于遗传算法的方法自动系统地设置各种网络参数。实验证明，这种方法的综合准确度明显提高，可以更准确地对活动进行分类。

    May, 2019

  • 基于骨架姿势序列的传感器数据增强技术提升人体活动识别

    为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

    Apr, 2024

  • 基于视觉与惯性传感器数据的新型二流决策级融合技术，用于自动多模态人类活动识别系统

    本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

    Jun, 2023